一种交通态势预测方法及装置制造方法及图纸

本发明专利技术公开了一种交通态势预测方法及装置。所述方法包括：获取第一交通流量，所述第一交通流量为第一时段内已测量得到的交通流量。根据所述第一交通流量和第一神经网络模型，获得交通态势的预测结果，所述第一神经网络模型是基于第二神经网络和交通数据集训练得到的，所述第一神经网络模型的输入为所述第一交通流量，所述第一神经网络模型的输出为所述交通态势的预测结果。由于本发明专利技术实施例中，对于不同地区的交通数据集，训练优化器会通过学习给定地区交通数据集中的地区特征，动态调整第二父神经网络中控制第二子神经网络输出占比的权重值，并为给定的地区生成最适合该地区的第一神经网络模型，可以达到因地制宜的效果。可以达到因地制宜的效果。可以达到因地制宜的效果。

【技术实现步骤摘要】
一种交通态势预测方法及装置


[0001]本专利技术涉及智能交通工程领域，尤其涉及一种交通态势预测方法及装置。

技术介绍

[0002]随着人工智能的高速发展，深度学习是一种常用的交通态势预测方法。在交通数据量大、计算资源充足的背景下，通常将神经网络作为交通态势预测模型的基本结构，以提升模型的有效性。
[0003]现有的交通态势预测方法通过专家对指定交通区域进行评估后，需要人工设计神经网络的组织结构、层数、可训练参数的个数。采用这种方法，具有一定的可行性，但由于交通系统中流量数据的地区特性众多，可选择的网络结构组织方式众多，并且在不同地区，如市区和郊区，流量数据特性差异大导致最优网络结构差异大，甚至即使在同一个模型中，不同地区的的网络超参数可能也存在巨大差异，仅靠人工经验构造模型存在地区特性适应性差的问题。
[0004]基于此，目前亟需一种交通态势预测方法，用于解决现有技术中模型存在地区特性适应性差的问题。

技术实现思路

[0005]本专利技术的目的是提供一种交通态势预测方法及装置，以解决现有技术中模型存在地区特性适应性差的技术问题。
[0006]实现本专利技术目的的具体技术方案是：
[0007]一种交通态势预测方法，所述方法包括：
[0008]获取第一交通流量，所述第一交通流量为第一时段内已测量得到的交通流量；
[0009]根据所述第一交通流量和第一神经网络模型，获得交通态势的预测结果，所述第一神经网络模型是基于第二神经网络和交通数据集训练得到的，所述第一神经网络模型的输入为所述第一交通流量，所述第一神经网络模型的输出为所述交通态势的预测结果；
[0010]所述第一神经网络模型包括n个父神经网络，所述第二神经网络模型包括n个父神经网络，n为正整数；其中，所述第一神经网络模型中的第一父神经网络包括k个第一子神经网络，所述第二神经网络模型中的第二父神经网络包括m个第二子神经网络，m、k为正整数；所述第二父神经网络包括两种网络权重，分别为：一个维度为m的网络权重向量α，和m个第二子神经网络的自身网络权重；所述网络权重向量α中第i个分量α
i
与第i个第二子神经网络对应，i为正整数；所述k个第一子神经网络是根据所述网络权重向量α中最大的前k个分量所对应的第二子神经网络得到的。
[0011]可选地，k小于m。
[0012]可选地，所述交通态势的预测结果包括第二交通流量和态势分级信息，所述第二交通流量为待预测的第二时段内的交通流量，所述态势分级信息表征了第二交通流量的拥挤程度。
[0013]可选地，所述第二父神经网络的输出结果是根据所述m个第二子神经网络的输出结果按照以下公式得到：
[0014][0015][0016]其中，x代表第二父神经网络的输入值，o(x)代表第二父神经网络的输出值，α
i
代表第i个第二子神经网络在第二父神经网络中的权重值，Z
i
(x)代表第i个第二子神经网络的输出值；Softmax(α
i
)代表第i个第二子神经网络为最优网络的概率值，该概率值用于确定第i个第二子神经网络输出值Z
i
(x)在第二父神经网络输出值中的占比。
[0017]可选地，所述网络权重向量α是通过训练得到的。
[0018]本专利技术实施例提供一种装置，所述装置包括：
[0019]获取单元，用于获取第一交通流量，所述第一交通流量为第一时段内已测量得到的交通流量。
[0020]处理单元，用于获取第一神经网络模型，所述第一神经网络模型是基于第二神经网络和交通数据集训练得到的。
[0021]所述第一神经网络模型包括n个父神经网络，所述第二神经网络模型包括n个父神经网络，n为正整数；其中，所述第一神经网络模型中的第一父神经网络包括k个第一子神经网络，所述第二神经网络模型中的第二父神经网络包括m个第二子神经网络，m、k为正整数；所述m个第二子神经网络的自身权重组成一个网络权重集合w2；所述第二父神经网络包括一个维度为m的网络权重向量α，所述网络权重向量α中第i个分量α
i
与第i个第二子神经网络对应，i为正整数；所述k个第一子神经网络是根据所述网络权重向量α中最大的前k个分量所对应的第二子神经网络得到的。
[0022]预测单元，用于输出所述交通态势的预测结果，其输入为第一交通流量。
[0023]可选地，所述处理单元，k小于m。
[0024]可选地，所述处理单元具体用于：
[0025]根据所述m个第二子神经网络的输出结果按照以下公式计算所述第二父神经网络的输出结果。
[0026][0027][0028]可选地，所述处理单元具体用于：训练所述网络权重向量α。
[0029]可选地，所述预测单元，所述交通态势的预测结果包括第二交通流量和态势分级信息，所述第二交通流量为待预测的第二时段内的交通流量，所述态势分级信息表征了第二交通流量的拥挤程度。
[0030]本专利技术中，所述第一神经网络模型是通过第二神经网络和交通数据集训练得到的。在现有的神经网络训练技术中，一次迭代仅需要训练一组网络权重，而在本专利技术中，一
次迭代需要交替训练第二父神经网络的两组网络权重，分别为第二父神经网络的权重α，和m个第二子神经网络的权重，其中权重α用于决定各第二子神经网络的输出占比。对于任一地区的数据集，训练优化器会通过学习数据集中的地区特征，动态调整α向量中的数值，如此使得越适合该地区特性的第二子神经网络所对应的权重分量α
i
越大，其对应的输出占比也就越大；进一步地，训练完第二父神经网络后，仅保留第二父神经网络向量α中最大前的k个分量，及所对应的第二子神经网络，其余删除，得到第一神经网络模型，该第一神经网络模型是通过第二神经网络和给定地区数据集训练得到的；若使用另一地区的数据集对第二神经网络进行训练，会得到另一种更适合该地区的第一神经网络模型，达到因地制宜的效果。
附图说明
[0031]图1为本专利技术实施例提供的一种交通态势预测方法所对应的流程示意图；
[0032]图2为本专利技术实施例适用的一种系统架构的示意图；
[0033]图3为本专利技术实施例中适用的一种第二神经网络结构示意图；
[0034]图4为本专利技术实施例中适用的一种第一神经网络模型结构示意图；
[0035]图5为本专利技术实施例中适用的一种第二父神经网络结构示意图；
[0036]图6为本专利技术实施例提供的一种训练第二父神经网络所对应的流程示意图；
[0037]图7为本专利技术实施例提供的一种装置的结构示意图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通态势预测方法，其特征在于，该方法包括以下具体步骤：获取第一交通流量，所述第一交通流量为第一时段内已测量得到的交通流量；根据所述第一交通流量和第一神经网络模型，获得交通态势的预测结果，所述第一神经网络模型是基于第二神经网络和交通数据集训练得到的，所述第一神经网络模型的输入为所述第一交通流量，所述第一神经网络模型的输出为所述交通态势的预测结果；所述第一神经网络模型包括n个父神经网络，所述第二神经网络模型包括n个父神经网络，n为正整数；其中，所述第一神经网络模型中的第一父神经网络包括k个第一子神经网络，所述第二神经网络模型中的第二父神经网络包括m个第二子神经网络，m、k为正整数；所述第二父神经网络包括两种网络权重，分别为：一个维度为m的网络权重向量α，和m个第二子神经网络的自身网络权重；所述网络权重向量α中第i个分量α
i
与第i个第二子神经网络对应，i为正整数；所述k个第一子神经网络是根据所述网络权重向量α中最大的前k个分量所对应的第二子神经网络得到的。2.如权利要求1所述的方法，其特征在于，k小于m。3.如权利要求1所述的方法，其特征在于，所述交通态势的预测结果包括第二交通流量和态势分级信息，所述第二交通流量为待预测的第二时段内的交通流量，所述态势分级信息表征了第二交通流量的拥挤程度。4.如权利要求1所述的方法，其特征在于，所述第二父神经网络的输出结果是根据所述m个第二子神经网络的输出结果按照以下公式得到：m个第二子神经网络的输出结果按照以下公式得到：其中，x代表第二父神经网络的输入值，o(x)代表第二父神经网络的输出值，α
i
代表第个第二子神经网络在第二父神经网络中的权重值，Z
i
(x)代表第个第二子神经网络的输出值；Softmax(α
i

【专利技术属性】
技术研发人员：黄新力，叶夏云，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：